progressive-loading

介绍

本技能旨在解决开发大型AI技能时，因一次性加载所有功能模块导致Token消耗过高、响应缓慢的问题。它通过实现一种中心辐射式（hub-and-spoke）的懒加载机制，将技能的核心功能（中心）与众多子功能（辐射）分离，仅在用户实际调用特定子功能时才动态加载对应的代码或数据，从而显著减少每次交互的Token使用量。

使用时，开发者需要将技能的主要逻辑定义为中心模块，并将各个独立的功能点拆分为辐射模块。当用户发起请求时，中心模块会先解析意图，然后按需加载并执行对应的辐射模块，处理完毕后释放资源。这种模式特别适合通过命令行或脚本在开发流程中集成，以实现对大型技能性能的精细控制。

该技能最适合需要构建或维护包含大量独立功能模块的复杂AI技能的开发者，例如全栈开发、智能体开发或运维工程师。他们在开发需要处理多种任务（如代码分析、数据处理、自动化部署）的综合性AI助手时，可以利用此技能有效控制成本并提升响应速度。

建议在技能架构设计初期就考虑引入此懒加载模式，明确划分核心路由与功能边界。注意事项包括：需要仔细设计模块间的接口协议，确保懒加载过程不会引入额外的延迟或错误；同时，此机制主要优化了初始化加载的Token消耗，对于单个模块内部本身的复杂计算可能优化有限。